Aller au contenu principal
Pointer, frapper : manipulation dynamique d'objets linéaires déformables conditionnée par la directionIllustration générée par IA
RecherchearXiv cs.RO 

Pointer, frapper : manipulation dynamique d'objets linéaires déformables conditionnée par la direction

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs publient sur arXiv (2610.09573) une méthode de manipulation dynamique de cordes, cette fois conditionnée par la direction d'arrivée du bout de la corde. Jusqu'ici, les travaux sur les objets linéaires déformables (DLO) se contentaient de fixer comme objectif une position 3D que l'extrémité devait atteindre. Ici, une frappe en un seul balancement doit atteindre une position 3D précise avec une direction d'arrivée donnée, sur tout l'espace de travail et sur différentes cordes. L'équipe étend d'abord le simulateur DeformX avec accélération GPU, un solveur stable de tiges de Cosserat et un modèle aérodynamique à écoulement transverse. Le résultat, DeformX2.0, est plus de 20 000 fois plus rapide. Elle propose ensuite TRACE (Trace-rooted Adaptive Cross-Entropy), qui génère les données de frappe en initialisant chaque nouvelle cible à partir du balancement mémorisé dont la trajectoire de bout de corde passe le plus près. Son coût pénalise la flexion de la corde et les mouvements brusques de l'extrémité, afin de favoriser des gestes reproductibles. Une politique conditionnelle par flow matching, entraînée sur ces données, atteint 92,1 % de précision en simulation. Sur robot réel, la méthode RECAP (Residual Calibration Policy) ajuste les paramètres de corde et de banc du simulateur à partir de quelques balancements de calibration, puis corrige les actions par une politique résiduelle entraînée en simulation. Sur trois cordes, le taux de succès à 5 cm passe de 72 % à 87 % pour les objectifs de position. Pour les objectifs incluant la direction, le succès à 10 cm et 10° passe de 50 % à 79 %.

L'intérêt tient moins à la tâche, plutôt académique, qu'à la méthodologie. Les auteurs traitent un cas où l'absence de démonstrations humaines et la difficulté de modéliser la dynamique empêchent l'apprentissage par imitation. Ils montrent qu'une simulation très rapide, couplée à une recherche par optimisation puis à une distillation dans une politique générative, fournit des données exploitables. Le résultat contredit l'idée qu'un écart sim-to-real sur objet déformable exige forcément beaucoup de données réelles : quelques balancements de calibration suffisent à gagner 15 à 29 points. Les auteurs précisent aussi que cet écart ne vient pas seulement de la corde, mais aussi du robot et du banc d'essai, ce qui justifie une calibration conjointe. Il faut toutefois rester prudent. Le chiffre de 92,1 % est obtenu en simulation, et sur matériel réel un balancement sur cinq reste hors tolérance pour les objectifs directionnels (79 %). L'évaluation ne porte que sur trois cordes dans un montage de laboratoire. Rien n'indique de transfert vers des applications industrielles comme la manipulation de câbles ou de flexibles, même si la logique de contrôle de l'arrivée, et pas seulement de la destination, y est pertinente.

Ce travail prolonge la lignée des simulateurs de DLO et des manipulations dynamiques de cordes, où l'objectif se limitait à la position du bout. L'apport principal est un pipeline reproductible plutôt qu'un nouveau matériel. Un gain de vitesse de plus de 20 000 fois sur DeformX rend l'optimisation massive de trajectoires praticable, et la calibration résiduelle pourrait être réutilisée sur d'autres objets déformables. Il s'agit d'une préimpression (version 1) sans évaluation par les pairs, sans annonce de code ni de pilote industriel. La suite logique serait d'élargir la diversité des objets, de passer à des mouvements multi-balancements et de tester des tâches de manipulation de câbles proches de la production. Les approches concurrentes, fondées sur l'apprentissage par renforcement ou la téléopération pour les tâches dynamiques, restent à comparer à cette méthode sur des bancs communs.

Dans nos dossiers

À lire aussi

DefFlow : manipulation d'objets déformables conditionnée par un but, via des flux de points 3D
Illustration générée par IA
1arXiv cs.RO 

DefFlow : manipulation d'objets déformables conditionnée par un but, via des flux de points 3D

DefFlow est un cadre d'apprentissage par démonstration pour la manipulation d'objets déformables conditionnée par un but, décrit dans un preprint arXiv (2610.22827v1). Au lieu de prédire uniquement la trajectoire du robot, le modèle prédit conjointement le flux de points 3D du robot et celui de l'objet déformable, en fonction de la configuration 3D cible. Les auteurs l'évaluent sur trois familles d'objets: la corde, les milieux granulaires et le tissu, avec des configurations initiales et cibles variées. Ils affirment qu'il surpasse nettement deux types de références, la prédiction directe d'actions conditionnée par le but et la prédiction du seul flux du robot, sur le taux de réussite et sur les métriques de distance au but.

RecherchePaper
1 source
MPC multimodale par optimisation bayésienne d'ensembles pour la manipulation dynamique d'objets linéaires déformables
Illustration générée par IA
2arXiv cs.RO 

MPC multimodale par optimisation bayésienne d'ensembles pour la manipulation dynamique d'objets linéaires déformables

Des chercheurs présentent BM2PC (Bayesian Multimodal MPC), un cadre de commande prédictive par modèle (MPC) destiné à la manipulation dynamique d'objets linéaires déformables (DLO), comme des cordes ou des câbles. Le travail, publié sur arXiv (2610.31852), s'appuie sur le formalisme du « control-as-inférence » et traite la planification multimodale comme un problème d'optimisation d'ensemble. Celui-ci équilibre qualité de commande et diversité des comportements. Une mise à jour incrémentale maintient plusieurs modes de commande prometteurs pour un surcoût de calcul limité. Pour le déploiement réel, un modèle de dynamique d'exécution prédit le mouvement effectif de l'effecteur et compense l'écart entre commande et exécution lors des gestes rapides.

RecherchePaper
1 source
Apprentissage de la dynamique des objets linéaires déformables par oscillateurs couplés pour la manipulation robotique bimanuelle
Illustration générée par IA
3arXiv cs.RO 

Apprentissage de la dynamique des objets linéaires déformables par oscillateurs couplés pour la manipulation robotique bimanuelle

Une équipe de chercheurs publie sur arXiv (v1, novembre 2026) Φ-CON, un modèle qui apprend la dynamique pilotée par les forces des objets linéaires déformables (DLO : câbles, cordes, tubes), avec une application à la manipulation bimanuelle. Le modèle associe un réseau d'oscillateurs couplés à base flottante (FBCON), dont l'énergie potentielle latente dépend uniquement de la forme de l'objet, à un difféomorphisme affine appris, noté Φ, qui relie les positions observées le long du DLO aux coordonnées latentes. La dynamique de forme est stable par construction, et la structure lagrangienne donne des expressions explicites des énergies cinétique et potentielle. Les auteurs en tirent un contrôleur proportionnel-dérivé (PD) à base de modèle, qui compense les forces potentielles apprises.

RecherchePaper
1 source
De la prédiction à l'action : apprendre le contexte physique pour manipuler des objets linéaires déformables
Illustration générée par IA
4arXiv cs.RO 

De la prédiction à l'action : apprendre le contexte physique pour manipuler des objets linéaires déformables

Une équipe de recherche publie sur arXiv (2611.14274) une étude sur la manipulation d'objets linéaires déformables (câbles, cordes, tubes), centrée sur le contrôle de forme planaire par une seule prise. Les auteurs introduisent Geometry-Pointer-Flow (GPF), une politique ancrée dans la géométrie qui sépare la sélection du point de saisie de la génération du mouvement conditionnée par cette saisie. Sa variante purement géométrique réduit de 32,8 % l'erreur de forme exécutée en un pas par rapport à une politique de diffusion spécialisée DLO, avec 18,7 fois moins de paramètres et une inférence environ 193 fois plus rapide. Sur cette base, les auteurs comparent trois façons de représenter le contexte physique : paramètres réels, paramètres estimés et représentations apprises de l'historique d'interaction.

RecherchePaper
1 source